| Περίληψη : | Η σημαντικότητα των κλινικών παραμέτρων υποκατάστασης στον τομέα της τεκμηριωμένης ιατρικής έγκειται στην ικανότητά τους να επιταχύνουν τη διαδικασία λήψης αποφάσεων των ρυθμιστικών φορέων, μειώνοντας την απαιτούμενη περίοδο παρακολούθησης σε τυχαιοποιημένες κλινικές δοκιμές (ΤΚΔ) που αξιολογούν μια νέα παρέμβαση στον τομέα της υγείας. Έτσι, με την ενσωμάτωση κλινικών παραμέτρων υποκατάστασης στο σχεδιασμό κλινικών δοκιμών, νέες θεραπείες μπορεί να καταστούν διαθέσιμες για τους ασθενείς σε πιο σύντομο χρονικό διάστημα.Η αξιολόγηση κλινικών παραμέτρων υποκατάστασης στο Μετα-Αναλυτικό πλαίσιο, παρέχει το υψηλότερο επίπεδο αποδεικτικών στοιχείων σχετικά με την ισχύ της σχέσης μεταξύ της τελικής και της παραμέτρου υποκατάστασης. Το μοντέλο Διμεταβλητών Τυχαίων Επιδράσεων Μετα-Ανάλυσης με Παραμετροποίηση Δεσμευμένων Κατανομών (ΔΤΕΜΑ-ΠΔΚ) μαζί με το μοντέλο των Daniels και Hughes, αποτελούν ένα συχνά χρησιμοποιούμενο μεθοδολογικό πλαίσιο για την αξιολόγηση κλινικών παραμέτρων υποκατάστασης, όπως προτείνεται από τη Μονάδα Υποστήριξης Αποφάσεων του Εθνικού Ινστιτούτου για την Αριστεία Υγείας και Φροντίδας του Ηνωμένου Βασιλείου.Διάφοροι παράγοντες επηρεάζουν τα αποτελέσματα της αξιολόγησης κλινικών παραμέτρων υποκατάστασης, με τον πιο συχνό περιορισμό τέτοιων αναλύσεων να είναι ο μικρός αριθμός ΤΚΔ που περιλαμβάνονται στην ανάλυση. Διεξάγεται μια μελέτη προσομοίωσης προκειμένου να αξιολογηθεί η απόδοση των προαναφερθέντων μοντέλων κάτω από διαφορετικά σενάρια και να εξεταστεί η επίδραση διαφόρων χαρακτηριστικών της βάσης στοιχείων,(όπως ο αριθμός των ΤΚΔ που περιλαμβάνονται στην ανάλυση), στη σχέση μεταξύ της τελικής και της παραμέτρου υποκατάστασης.Τα αποτελέσματα της μελέτης προσομοίωσης καταδεικνύουν ότι υπό την υπόθεση ανταλλαξιμότητας το ΔΤΕΜΑ-ΠΔΚ είναι ανώτερο από το μοντέλο των Daniels και Hughes, όσον αφορά την ανίχνευση της σχέσης μεταξύ της τελικής και της παραμέτρου υποκατάστασης. Επιπλέον, όταν ένας περιορισμένος αριθμός ΤΚΔ είναι διαθέσιμος για την ανάλυση, υπάρχει μεγάλη πιθανότητα να απορριφθεί λανθασμένα η εγκυρότητα μιας κλινικής παραμέτρου υποκατάστασης. Επιπλέον, συμπεραίνεται ότι η απόδοση του μοντέλου των Daniels και Hughes είναι κακή όταν η ετερογένεια μεταξύ των μελετών δεν είναι μεγάλη. Όπως τονίζεται από τα αποτελέσματα της μελέτης προσομοίωσης και την έρευνα των Papanikos et al. και Bujkiewicz et al, το πλαίσιο μοντελοποίησης για την αξιολόγηση κλινικών παραμέτρων υποκατάστασης θα πρέπει να βελτιστοποιηθεί προκειμένου να ξεπεραστεί ο περιορισμός που έγκειται σε τέτοιες αναλύσεις λόγω του μικρού μεγέθους δείγματος.
The importance of surrogate endpoints in the field of evidence-based medicine, lies in their ability to expedite the decision-making process of regulatory agencies, by reducing the required follow-up period in randomized clinical trials (RCTs) evaluating a new health intervention. Thus, by incorporating surrogate endpoints in clinical trial design, new therapies may become available for patients in a timely manner.Surrogate endpoint evaluation in the meta-analytic framework, provides the highest level of evidence regarding the strength of the relationship between the final and the surrogate endpoint. The Bivariate Random Effects Meta Analysis model in Product Normal Formulation (BRMA-PNF) along with the model by Daniels and Hughes, constitute a frequently used methodological framework for surrogate endpoint evaluation, as suggested by the Decision Support Unit (DSU) of the National Institute for Health and Care Excellence (NICE).Various factors are influential on the results of surrogate endpoint evaluation, with a frequent limitation of such analyses being the low sample size. A simulation study is conducted in a Bayesian framework, in order to assess the performance of the aforementioned models under different evidential scenarios and examine the effect of various characteristics of the evidence base (i.e., the number of RCTs included in the analysis) on the surrogacy relationship.Results of the simulation study demonstrate that under the exchangeability assumption the BRMA-PNF is superior to the model by Daniels and Hughes, in detecting the surrogacy relationship. Additionally, when a limited number of RCTs is available for the analysis, there is a high probability that the validity of a surrogate endpoint is falsely rejected. Furthermore, it is concluded that the performance of the model by Daniels and Hughes is poor when the between studies heterogeneity is not substantial. As highlighted by the results of the simulation study and the work by Papanikos et al. and Bujkiewicz et al, the modeling framework for surrogate endpoint evaluation should be expanded in order to account for the limitation imposed in such analyses due to small sample size.
|
|---|
Copyright © 2013 Βιβλιοθήκη Ο.Π.Α. Με την επιφύλαξη παντός δικαιώματος.